我有一個粗略格式的熊貓數據框print(df)    Time  GroupA  GroupB  Value1  Value20  100.0     1.0     1.0    18.0     0.01  100.0     1.0     2.0    16.0     0.02  100.0     2.0     1.0    18.0     0.03  100.0     2.0     2.0    10.0     0.0其中Time是一個計數變量/時間戳，GroupA和GroupB是類別，以及Value1和Value2是數值量。此代碼段創建了一個模型數據框：import numpy as npvalues = np.zeros(shape=(4,5))values[:,0] = 100values[:,1] = [1]*2 + [2]*2values[:,2] = [1,2]*2values[:,3] = np.random.randint(low=10,high=20,size=(4))df = pd.DataFrame(values,columns=['Time','GroupA','GroupB','Value1','Value2'])加載一些數據后，我想計算并填寫Value2. 當它發生時（順便說一句，因為Value2是Value1每個現有 ( GroupA, GroupB) 對中的時間序列函數），我發現通過首先將我的數據轉換為以下形式來計算這些值最容易：df_pivot = df.pivot_table(index='Time',columns=['GroupA','GroupB'],values=['Value1','Value2'], fill_value=0.0)然后在一些不相關的代碼之后我填寫了值print(df_pivot)       Value1             Value2            GroupA    1.0     2.0        1.0     2.0    GroupB    1.0 2.0 1.0 2.0    1.0 2.0 1.0 2.0Time                                        100.0      13  16  16  10     27  20  28  20現在我想將其“反透視”為df. 我可以通過循環df、查找 中的值df_pivot并填充它來手動執行此操作，但我更喜歡使用內置函數。嘗試使用 的變體時df.melt，由于df_pivot的分層列存在問題，我無法執行此反轉。我最好的嘗試是dfm = df_pivot.reset_index().melt(id_vars="Time")dfm.columns.values[1] = "HACK"dfm = dfm.pivot_table(index=["Time","GroupA","GroupB"],columns="HACK",values="value").reset_index()產生數據框print(dfm)HACK   Time  GroupA  GroupB  Value1  Value20     100.0     1.0     1.0      13      271     100.0     1.0     2.0      16      202     100.0     2.0     1.0      16      283     100.0     2.0     2.0      10      20這有效，但并不讓我覺得是最好的解決方案，或者非常便攜（為什么melt會產生“NaN”列名？為什么我要手動查找該列的索引并重命名它？為什么我必須樞軸以撤消樞軸？）雖然嘗試并查看文檔和示例以尋找替代方案，但我不知所措。該melt函數有一個col_level看起來應該有幫助的參數，但我為此使用的任何有效值只會導致數據丟失（丟失“時間”、“組 A”或“組 B”數據）。